基于Improved DR-Net算法的糖尿病视网膜病变识别与分级

摘要：

针对糖尿病性视网膜图像数据集的不均衡、组织形态的特征提取不充分、分级准确率不高等问题,本文提出一种基于DR-Net模型的改进识别算法,即Improved DR-Net.选用Kaggle失明检测竞赛数据集APTOS 2019 Dataset,采用多种数据增强策略扩充数据集,并引入Eye-PACS数据集进行无偏修正,同时采用高斯滤波等形态学方法增强眼底图像特征;对ResNext50聚合残差结构进行预训练,通过迁移学习对基线模型进行参数及结构微调;引入空洞卷积代替普通卷积,融合注意力机制进一步优化模型性能.测试结果表明,本文所提的Improved DR-Net模型大大提高了糖尿病视网膜病变分级的准确率:阳性预测值97.9％,阴性预测值98.03％,准确率达到98.04％,远高于同类算法.结合深度学习技术辅助视网膜病变的筛查,对于视网膜病变的早期自动筛查具有一定的指导意义.

关键词：图像处理、糖尿病视网膜、深度学习、形态学处理、聚合残差网络、迁移学习、注意力机制

所属期刊栏目：41

分类号：TP183(自动化基础理论)

在线出版日期：2022-01-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：64-75